정밀 발효를 위한 통합 온톨로지 PREFER

초록

정밀 발효 과정에서 발생하는 방대한 바이오프로세스 데이터를 표준화하고 상호운용성을 확보하기 위해, BFO 기반의 오픈소스 온톨로지 PREFER를 제안한다. PREFER는 기존 커뮤니티 온톨로지와 연계해 메타데이터를 구조화하고, 고처리량 바이오프로세스 워크플로우에 적용해 자동화와 머신러닝 모델 학습에 필요한 기계가독성 데이터를 제공한다.

상세 분석

PREFER는 정밀 발효(Precision Fermentation) 분야의 데이터 사일로 문제를 근본적으로 해결하고자 설계된 온톨로지이다. 가장 큰 특징은 Basic Formal Ontology(BFO)를 상위 프레임워크로 채택함으로써, 생물학, 화학, 공정공학 등 다양한 도메인 온톨로지와의 호환성을 확보했다는 점이다. BFO는 존재론적 계층구조를 제공해 ‘실체(entity)’, ‘프로세스(process)’, ‘관계(relation)’ 등을 명확히 구분한다. PREFER는 이를 기반으로 ‘미생물 세포공장’, ‘배양 배지’, ‘반응기 운영 파라미터’, ‘수율’, ‘품질 특성’ 등 정밀 발효 전 과정에 걸친 개념을 정의하고, 각각을 BFO의 ‘continuant’와 ‘occurrent’에 매핑한다.

또한, PREFER는 이미 널리 사용되는 OBI(오믹스 및 바이오실험 온톨로지), CHEBI(화학 물질 온톨로지), ENVO(환경 온톨로지) 등과의 연결 고리를 마련했다. 예를 들어, 배양 배지는 CHEBI의 화학 물질 클래스를 상속받아 성분 정보를 재사용하고, 반응기 환경은 ENVO의 ‘실험실 환경’ 클래스를 활용한다. 이러한 연계는 데이터 통합 시 중복 정의를 방지하고, 외부 데이터베이스와의 자동 매핑을 가능하게 한다.

PREFER의 메타데이터 모델은 고처리량 바이오프로세스 플랫폼에서 발생하는 실험 설계, 실행, 결과 기록을 모두 포괄한다. 실험 설계 단계에서는 ‘시료’, ‘조건’, ‘시퀀스’ 등을 정의하고, 실행 단계에서는 ‘시작 시간’, ‘종료 시간’, ‘센서 측정값’ 등을 시간적 연속체(occurrent)로 기록한다. 결과 단계에서는 ‘수율’, ‘특이도’, ‘불순물 프로파일’ 등을 정량적 속성으로 연결한다. 이러한 구조화는 데이터베이스에 저장된 정보를 SPARQL 등 표준 질의 언어로 손쉽게 추출할 수 있게 하며, 파이프라인 자동화 도구와의 연동을 통해 ‘데이터-드리븐’ 워크플로우를 구현한다.

머신러닝 관점에서도 PREFER는 중요한 역할을 한다. 기존에는 실험 메타데이터가 비정형 텍스트나 CSV 파일에 흩어져 있어, 모델 학습에 필요한 특징(feature) 추출이 어려웠다. PREFER를 통해 메타데이터가 RDF 트리플 형태로 일관되게 표현되면, 온톨로지 기반의 특징 엔지니어링이 가능해진다. 예를 들어, ‘특정 유전자를 발현한 균주 + 특정 배지 조성 + 온도 30°C’라는 조합을 하나의 복합 개념으로 정의하고, 이를 라벨링된 생산량 데이터와 연결하면, 고차원적인 입력 벡터를 자동 생성할 수 있다. 이는 모델의 일반화 능력을 높이고, 새로운 실험 설계에 대한 예측 정확도를 향상시킨다.

하지만 PREFER의 적용에는 몇 가지 과제가 남아 있다. 첫째, 온톨로지 채택을 위한 커뮤니티 교육이 필요하다. 연구자와 엔지니어가 기존 워크플로우에 PREFER를 삽입하려면, RDF/OWL 도구와 SPARQL 질의에 대한 기본 지식이 요구된다. 둘째, 현재 PREFER는 정밀 발효 전 과정을 포괄하지만, 특정 산업(예: 대규모 바이오연료 생산)이나 특수 공정(예: 고압 고온 반응)에는 추가적인 서브 온톨로지가 필요할 수 있다. 셋째, 온톨로지 자체의 버전 관리와 지속적인 업데이트가 중요하다. 새로운 실험 기술이나 측정 장비가 등장하면, 해당 개념을 신속히 반영해야 온톨로지의 최신성을 유지할 수 있다.

전반적으로 PREFER는 정밀 발효 분야의 데이터 표준화와 자동화를 위한 강력한 기반을 제공한다. BFO와 기존 커뮤니티 온톨로지와의 연계, 전 과정 메타데이터 모델링, 머신러닝 친화적 구조는 향후 데이터‑드리븐 바이오공정 설계와 최적화에 큰 영향을 미칠 것으로 기대된다.